[論文レビュー] Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI

Md Hasibul Husain Hisham, Shireen Elhabian+6 more|arXiv (Cornell University)|Mar 18, 2026

Advanced Image Processing Techniques被引用数 0

ひとこと要約

この研究は Enhanced Deep Super-Resolution (EDSR) ネットワークを近接演算子としてモデルベースのアンローリング再構成に組み込み、3D LGE MRI の加速においてデータ整合性を同時に強制しつつ超解像を行い、再構成品質と左心房のセグメンテーションを改善します。

ABSTRACT

Accelerated 3D late gadolinium enhancement (LGE) MRI requires robust reconstruction methods to recover thin atrial structures from undersampled k-space data. While unrolled model-based networks effectively integrate physics-driven data consistency with learned priors, they operate at the acquired resolution and may fail to fully recover high-frequency detail. We propose a hybrid unrolled reconstruction framework in which an Enhanced Deep Super-Resolution (EDSR) network replaces the proximal operator within each iteration of the optimization loop, enabling joint super-resolution enhancement and data consistency enforcement. The model is trained end-to-end on retrospectively undersampled preclinical 3D LGE datasets and compared against compressed sensing, Model-Based Deep Learning (MoDL), and self-guided Deep Image Prior (DIP) baselines. Across acceleration factors, the proposed method consistently improves PSNR and SSIM over standard unrolled reconstruction and better preserves fine cardiac structures, leading to improved LA (left atrium) segmentation performance. These results demonstrate that integrating super-resolution priors directly within model-based reconstruction provides measurable gains in accelerated 3D LGE MRI.

研究の動機と目的

• undersampling データから薄い心房構造を回復して加速3D LGE-MRIを動機付ける。
• EDS​R を従来の近接演算子の代わりに用いるハイブリッドなアンローリング再構成を開発する。
• ピクセル忠実度と下流のセグメンテーションの両方を改善するエンドツーエンド訓練を実証する。
• CS、MoDL、自己案内DIP のベースラインと比較し、LA セグメンテーションを通じて臨床的有用性を評価する。

提案手法

• 各アンローリング反復の近接演算子を共有するEDSRネットワークに置換する。
• ゼロフィルド共役勾配でデータ整合性を担保し、アージュリット再構成を初期化する。
• 完全なサンプリング済みグラウンドトゥルースに対してL2損失でエンドツーエンド訓練を行う。
• SENSEエンコードを用いた3Dマルチコイルk-空間データのスライス毎2D処理。
• アブレーションとしてU-Netデノイジサーを用いたバニラのUnrolled版を含む。

Figure 1: Proposed Unrolled EDSR framework. The EDSR Net serves as the learned proximal operator at each of the $N$ unrolled iterations, with weights $\phi$ shared across iterations. The initial reconstruction $\mathbf{x}^{(0)}=\mathbf{A}^{H}\mathbf{y}$ is the zero-filled adjoint, and data consisten

実験結果

リサーチクエスチョン

• RQ1 各アンローリング反復ごとに超解像の先行知識を埋め込むことは、データ忠実度を維持しつつ高周波の詳細を改善できるか。
• RQ2 Unrolled+EDSR は accelerated 3D LGE MRI において PSNR/SSIM で CS、MoDL、自己案内 DIP を上回るか。
• RQ3 提案手法はベースラインと比較して下流の LA セグメンテーションを改善するか。

主な発見

方法	PSNR (R=4)	SSIM (R=4)	PSNR (R=6)	SSIM (R=6)
Compressed Sensing	31.6±1.0	0.865±0.019	28.6±1.4	0.824±0.020
Self-Guided DIP	32.8±1.2	0.894±0.018	29.3±1.1	0.855±0.015
Unrolled	35.1±1.2	0.906±0.015	32.4±1.5	0.878±0.012
EDSR-Unrolled	35.6±1.1	0.915±0.014	32.9±1.6	0.889±0.015

• Unrolled+EDSR は R=4 および R=6 でベースラインより高い PSNR/SSIM を達成。
• R=4 では Unrolled+EDSR が PSNR 35.6 dB、SSIM 0.915 を達成し、Unrolled（35.1 dB, 0.906）および CS（31.6 dB, 0.865）を上回る。
• R=6 では Unrolled+EDSR が PSNR 32.9 dB、SSIM 0.889 を達成し、Unrolled（32.4 dB, 0.878）を上回る。
• 再構成スライスの LA セグメンテーションでは DSC が Unrolled+EDSR 0.893 に対し Unrolled は 0.884。
• アブレーションによると9回のアンローリング反復が品質とメモリのバランスを取る。これを超えると収益が減少する。

Figure 2: Qualitative comparison of reconstruction methods at acceleration factors $R=4$ and $R=6$ . Each column shows a representative axial slice from a preclinical subject. At $R=4$ , Unrolled+EDSR and Unrolled both recover fine cardiac structures faithfully, while Compressed Sensing introduces v